2016 年炒得火热的几个话题中，直播、虚拟现实、共享经济逐渐在媒体版面上消失，而人工智能、自动驾驶泽「坚强」活了下来，并在互联网巨头与资本的共同作用下迎来新的爆发点，然而在 2016 年 8 月 Gartner 一年一度的炒作曲线里，你却看不到「人工智能」的字眼，这其实也是过去一年甚至几年时间里，公众对于人工智能的误解。
一
有个很俗的说法：「当我们在谈论XX 时在谈论什么」，这个句式同样适用于人工智能。无论国内外，现在几乎所有的科技媒体都在报道「人工智能（AI）」领域的突破，但真实的情况则是：当下的所谓「人工智能」进步，准确的说是机器学习快速发展后的体现，与真正的「人工智能」没有必然的关系。
如上图所示，Gartner 将机器学习（Machine Learning）列为 2016 年最具「炒作性」的技术。关于机器学习与人工智能的关系，此前我也在会员通讯里做过解释，这里引用计算机科学家 Robby Goetschalckx 的解释：
Artificial Intelligence is the name of a very large research field, with numerous branches. Any approach to make a computer behave in a way which can be called intelligent” falls under this field.
Machine Learning is a particular branch in AI. It focuses on algorithms which construct models based on observed data. An essential part is the learning: given different data, you could get a different model. Again, there are many sub-fields and branches, depending on the methodology used, and the problem specification (for example, do you just want to learn which examples are “good” or “bad”, or do you want the algorithm to learn what actions to take in a specific situation?).
更进一步来说，机器学习的进化方向并非是人工智能，而更像是人工智能的对立面——增强智能（Augumented Intelligence），至少从目前来看，快速发展的机器学习，已经在诸多领域取得极大突破，无论是语音、图像识别还是自然语言处理，这些经典的机器智能难题正逐步有了些许答案，但你绝不能说这就是所谓的「人工智能」。
硅谷资深记者马尔科夫在其《与机器人共舞》一书里记录了 AI （人工智能）与 AI （增强智能）的冲突：
人工智能定义的世界与恩格尔巴特的“智能增强”理论之间的鸿沟已经非常明显。事实上，20世纪60年代恩格尔巴特造访麻省理工学院来展示自己的项目时，马文·明斯基就抱怨说，那是在浪费研究经费，这些钱充其量只能造出一些华而不实的文字处理器而已。
……
在已经过去的50年中，麦卡锡和恩格尔巴特的理论仍然各自为政，他们最为核心的冲突仍然悬而未决。一种方法要用日益强大的计算机硬件和软件组合取代人类；另一种方法则要使用相同的工具，在脑力、经济、社会等方面拓展人类的能力。尽管鲜有人注意这些方法之间的鸿沟，这场新技术浪潮的爆炸（一个正在影响现代生活方方面面的技术浪潮）将极力压缩这种分化，并防止反弹的发生。
如果要给 AI 和 IA 的争论下一个基本判断，那就是：人类研究如何提升机器智能，其目的到底是为了增强人类能力还是为了制造与人类同等智能的机器？
早在 1948 年，数学家维纳出版了影响深远的《控制论》，其中一段这样写道：
如果我说，第一次工业革命是革「阴暗的魔鬼的磨坊」的命，是人手由于和机器竞争而贬值……那么现在的工业革命便在于人脑的贬值，至少人脑所起的较简单的较具有常规性的判断作用将要贬值……假如第二次工业革命已经完成，具有中等学术能力水平或更差一些的人将会没有任何值得别人花钱来买的可以出卖的东西了。
8 年之后的达特茅斯研讨会上，一群数学专家制造了一个新词「人工智能」，在当时年轻的麦卡锡眼里，「控制」、「自动机」等词语都无法与人工智能等同。几年后，麦卡锡在一篇书评中对被称为「技术的社会建构」的学术概念提出了异议，他煞费苦心地将人工智能一词与它那以人类为中心的根源剥离开来。 换句话说，一开始，麦卡锡的「人工智能」并未考虑其对人类的影响。「到目前为止，人工智能圈子在绝大多数时候都选择忽视他们认为只是强大工具的系统带来的影响，规避了对道德问题的讨论。」
这个基本逻辑的不同，是过去 60 多年人工智能领域争论的焦点。但很遗憾，在媒体、资本的多重作用下，这个争论被完全无视了，留下来的，只有「人工智能」的自嗨。
二
在科技发展领域，大多数人会高估两到三年的发展而低估五到十年的发展。这又被称为Amara’s Law ：
人们总是高估一项科技所带來短期效益，却又低估它的长期影响。
风险投资人 Anupam Rastogi 为此还画了一副图来说明：
更具体来说，则是下图所示的模样：
尽管现在来看，机器学习所带来的突破正在逐步超越人们的预期，但这也仅仅是 IA 的范畴，与 AI （人工智能）还有很远的距离。这个距离有多远，不妨来看看几个目前大家关注的应用场景：
这其中，自动驾驶在两个阶段里的差距十分明显，也最值得拿出来探讨，当下对自动驾驶的误解也十分明显。
三
上图可以看出，技术之外，真正意义上的自动驾驶产业化还有两个方面：
- 自动驾驶的网络效应；
- 自动驾驶的法律保护；
自动驾驶网络效应并不难理解，从提升效率的角度来说，自动驾驶汽车最有效率的使用方式就是共享经济，而实现共享经济一方面需要足够大的用户规模，另一方面则是用户对于所有权和使用权观念的变化，两者共同构成了自动驾驶的网络效应，从这个意义上，我是非常看好 Uber、Lyft 在美国进行的「自动驾驶+共享经济」的试验。
其二，则是保障自动驾驶的法律法规。上图只提到了法律的一个层面，就是规定人类驾驶员未来是个违法职业，且不说这会不会实现，但这不足以让自动驾驶具有法律保障。
城市规划师 Konstantinos Dimopoulos 发现，上个世纪中期汽车业的兴起并非仅仅是因为汽车开始变得便宜，而是因为政府开始修建适合汽车的公路。如果 19 世纪中期德国出现汽车开始算起，1920 年代福特汽车的崛起并非决定性的事件，反而是二战后，尤其是冷战开始后西方国家开始大规模修公路的政策，才是真正推动汽车行业发展的因素。
Konstantinos Dimopoulos 援引一位来自 Delft 科技大学助理教授 Dimitris Milakis 的话：
What we see now as mainstream transport systems and travel patterns is the result of many observed and unobserved processes of the past, including politics……
同样道理，自动驾驶的发展也离不开政策扶持，以美国为例，尽管 Google、Uber 等公司的自动驾驶搞得风生水起，但根据美国交通部(DOT)估计，美国有高达 65% 的公路需要重新修整，原因就在于很多道路上车道标线因年久失修而无法识别，当然还有交通信号灯、道路指示标志等等，这些基本的交通标志或许不会对人类驾驶员造成太大的影响，但是对自动驾驶的机器驾驶员影响巨大。
进一步来看，美国各州不同的法律规定，导致某些交通信号灯、指示灯有所不同。比如当自动驾驶汽车开到某些正在施工的道路时，情况就变得非常微妙，「费城公路上填排水口的工人使用的信号和加州405公路上补缺口的工人使用的信号就不一样」，人类驾驶员当然可以读懂这些变化，但对自动驾驶汽车而言，几乎是不可能的。美国德州A&M交通部门工程师 Jerry Ullman 坦言：
施工区域非常多变，在很多情况下相当复杂。因此，我们很难写下几行代码，来告诉汽车“你看到这种情况的时候，应该这样做”。施工工人的无意间的一个手势，也能迷惑自动驾驶系统，让它撞上一辆自动倾卸大卡车。
这还仅仅是修路方面的考量，已足以看出自动驾驶发展的真正困难——政策扶持。而且，这种政策一定是国家层面的，其实施方式也一定是自上而下的，只有这样的政策支持，才能保证真正意义上的自动驾驶。
世界上第一条快速公路是在意大利的米兰，于 1924 年完工，推动整个工程的人是墨索里尼；美国从 1956 年开始修建高速公路，35 年的时间完成 7 万公路里程；中国自上世纪 90开始大规模高速公路建设，20 年时间成为全球历程最多的国家。
上面的历史大概能说明所谓「集中力量办大事的优越性」，从修路到其他交通基础设施建设和法律法规完善，或许，这又是一个「集中力量办大事」的机会。